دوره روش‌های عددی در یادگیری تقویتی عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های عددی در یادگیری تقویتی عمیق

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: محاسبات عددی در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی عمیق
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل و محیط
• 4. فضای حالت و فضای عمل
• 5. تابع پاداش و هدف یادگیری
• 6. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش
• 7. یادگیری Q
• 8. به‌روزرسانی Q-learning
• 9. یادگیری Deep Q-Network (DQN)
• 10. تابع هدف در DQN
• 11. روش‌های بهبود DQN (Double DQN, Dueling DQN)
• 12. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست
• 13. گرادیان سیاست
• 14. REINFORCE
• 15. یادگیری Actor-Critic
• 16. A2C (Advantage Actor-Critic)
• 17. A3C (Asynchronous Advantage Actor-Critic)
• 18. Proximal Policy Optimization (PPO)
• 19. ترکیب روش‌های مبتنی بر ارزش و سیاست
• 20. Deep Deterministic Policy Gradient (DDPG)
• 21. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 22. Soft Actor-Critic (SAC)
• 23. یادگیری تقویتی عمیق برای مسائل کنترل
• 24. کاربرد در رباتیک
• 25. کاربرد در بازی‌ها
• 26. کاربرد در سیستم‌های توصیه‌گر
• 27. کاربرد در مدیریت منابع
• 28. شبکه‌های عصبی کانولوشنی در یادگیری تقویتی
• 29. شبکه‌های عصبی بازگشتی در یادگیری تقویتی
• 30. شبکه‌های عصبی ترنسفورمر در یادگیری تقویتی
• 31. تکنیک‌های اکتشاف در یادگیری تقویتی
• 32. اپسیلون-حریصانه
• 33. نمونه‌برداری تصادفی
• 34. اهمیت اکتشاف
• 35. روش‌های نمونه‌برداری از پاداش
• 36. مدل‌های مبتنی بر شبیه‌سازی
• 37. یادگیری تقویتی مبتنی بر مدل
• 38. تولید مدل محیط
• 39. استفاده از مدل برای برنامه‌ریزی
• 40. یادگیری تقویتی بدون مدل
• 41. مزایا و معایب یادگیری تقویتی بدون مدل
• 42. تکنیک‌های کاهش ابعاد در یادگیری تقویتی
• 43. تحلیل مؤلفه‌های اصلی (PCA)
• 44. تجزیه مقادیر منفرد (SVD)
• 45. نقش یادگیری عمیق در کاهش ابعاد
• 46. مسائل یادگیری تقویتی با فضای حالت پیوسته
• 47. مسائل یادگیری تقویتی با فضای عمل پیوسته
• 48. انتقال یادگیری در یادگیری تقویتی
• 49. یادگیری انتقالی از یک وظیفه به وظیفه دیگر
• 50. کاربرد در بهبود کارایی
• 51. تکنیک‌های تجزیه وظیفه
• 52. یادگیری تقویتی چند عاملی
• 53. هماهنگی بین عامل‌ها
• 54. مسائل همکاری و رقابت
• 55. یادگیری تقویتی با پاداش پراکنده
• 56. استراتژی‌های افزایش پاداش
• 57. تقسیم وظایف پیچیده
• 58. یادگیری تقویتی ایمن
• 59. حفاظت در برابر خطرات
• 60. تضمین ایمنی در طول یادگیری
• 61. ارزیابی عملکرد در یادگیری تقویتی
• 62. معیارهای ارزیابی
• 63. مقایسه با روش‌های دیگر
• 64. حل مسائل بهینه‌سازی با یادگیری تقویتی
• 65. کاربرد در بهینه‌سازی زنجیره تأمین
• 66. بهینه‌سازی مصرف انرژی
• 67. روش‌های پیشرفته در یادگیری تقویتی
• 68. یادگیری تقویتی مبتنی بر مدل‌های احتمالی
• 69. یادگیری تقویتی با شبکه‌های عصبی گراف
• 70. مقدمه‌ای بر مفاهیم ریاضی یادگیری تقویتی
• 71. مارکوف تصمیم‌گیری فرآیندها (MDP)
• 72. معادلات بلمن
• 73. حل معادلات بلمن
• 74. تقریب تابع ارزش
• 75. روش‌های تقریبی در یادگیری تقویتی
• 76. شبکه‌های عصبی عمیق برای تقریب تابع ارزش
• 77. تقویت یادگیری تقویتی با شبکه‌های عصبی
• 78. پیاده‌سازی الگوریتم‌های یادگیری تقویتی
• 79. محیط‌های شبیه‌سازی برای یادگیری تقویتی
• 80. کتابخانه‌های یادگیری تقویتی (مانند Ray RLlib)
• 81. نکات کاربردی در پیاده‌سازی
• 82. اشکال‌زدایی در یادگیری تقویتی
• 83. نکات مربوط به تنظیم هایپرپارامترها
• 84. یادگیری تقویتی بر اساس قوانین شرعی و چارچوب‌های رسمی
• 85. ملاحظات اخلاقی در یادگیری تقویتی
• 86. کاربرد در حوزه‌های مجاز اقتصادی
• 87. یادگیری تقویتی در مدیریت سرمایه‌گذاری شرعی
• 88. یادگیری تقویتی در بهینه‌سازی فرآیندهای تولیدی حلال
• 89. یادگیری تقویتی در بهبود زیرساخت‌های حمل و نقل
• 90. اصول خانواده در روانشناسی یادگیری تقویتی
• 91. مبانی خانواده ایرانی-اسلامی در طراحی پاداش
• 92. کاربرد در آموزش و پرورش نوین
• 93. مطالعه موردی: یادگیری تقویتی در بهینه‌سازی مصرف انرژی در ساختمان‌ها
• 94. مطالعه موردی: یادگیری تقویتی در ربات‌های خانگی هوشمند
• 95. مطالعه موردی: یادگیری تقویتی در مدیریت هوشمند ترافیک شهری
• 96. مطالعه موردی: یادگیری تقویتی در سیستم‌های کنترل صنعتی
• 97. مطالعه موردی: یادگیری تقویتی در بهینه‌سازی تولید محتوای آموزشی
• 98. آینده یادگیری تقویتی عمیق
• 99. چالش‌های پیش رو
• 100. مسیرهای تحقیقاتی جدید